CN108564006A - 基于自步学习卷积神经网络的极化sar地物分类方法 - Google Patents
基于自步学习卷积神经网络的极化sar地物分类方法 Download PDFInfo
- Publication number
- CN108564006A CN108564006A CN201810254575.4A CN201810254575A CN108564006A CN 108564006 A CN108564006 A CN 108564006A CN 201810254575 A CN201810254575 A CN 201810254575A CN 108564006 A CN108564006 A CN 108564006A
- Authority
- CN
- China
- Prior art keywords
- sample
- layer
- network
- polarization
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于自步学习卷积神经网络的极化SAR地物分类方法,主要解决现有技术对复杂地物场景分类正确率低和受噪声影响大的问题。其实现方案为:1.从原始全极化SAR数据中获取极化散射矩阵S和Pauli基下的伪彩色RGB图;2.对每个像素构造三维矩阵组成样本集,并构造训练样本和测试样本集;3.构造卷积神经网络并基于自步学习对该卷积神经网络进行训练以加速网络收敛提升网络的泛化能力;4.利用训练好的卷积神经网络对测试样本进行分类,得到最终的全极化SAR地物分类结果。本发明提高了对极化SAR图像中复杂地物场景的目标地物的分类正确率,可用于地物分类和目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种极化SAR地物分类方法,可适用于地物分类和目标识别。
背景技术
随着微波遥感技术的发展,高分辨率极化合成孔径雷达已经成为SAR领域发展的必然趋势,而极化SAR图像分类作为极化SAR图像解译的重要方式之一已经广泛应用于国防、民用等诸多领域。虽然高分辨率极化合成孔径雷达包含了丰富的后向散射信息,但是目前现有的分类算法仅仅采用了浅层极化特征,其无法充分的表示图像中包含的复杂场景信息。
极化SAR图像的分类涉到统计学习、模式识别、信号处理等众多学科,隶属于图像处理的范畴。现有的极化SAR图像分类技术,主要是基于极化散射矩阵S、极化相干矩阵T和极化协方差矩阵C进行极化分解来提取特征,常见的特征包括极化相干矩阵T的特征值和特征向量,以及采用Cloude分解得到的散射熵H、散射角α和各向异性系数A和采用Freeman分解得到的三种散射功率等。通过这些分类特征再利用常用的一些分类算法,进而实现极化SAR图像中不同地物目标的分类,例如:
辽宁工程技术大学在其申请的专利“基于散射熵和三分量分解平面的极化SAR图像分类方法”(专利申请号:201611207749.9,公开号:CN 106778884A)中提出了一种基于散射熵和三分量分解平面的极化SAR图像分类方法。该方法提出的一种极化SAR图像分类方法包括:提取极化SAR图像散射熵H、表面散射功率Ps、偶次散射功率Pd和体散射功率Pv;根据散射熵H将地物分为高熵散射地物、中熵散射地物和低熵散射3个地物类别;分别将3个类别按表面散射、偶次散射和体散射划分为9类地物;用Wishart分类器对初始分类进行更进一步的划分得到所述极化SAR图像的分类结果。该方法虽然能够对极化SAR图像进行准确的分类,能较好的保留细节信息,大大减少城镇地区的错误分类。但是,该方法在划分类别上具有很大的局限性,而且对于那些不属于表面散射、偶次散射和体散射的复杂场景,该方法无法获得很好的分类结果。
中国人民解放军国防科学技术大学在其申请的专利“一种结合旋转域极化零角特征的极化SAR地物分类方法”(专利申请号:201710088598.8,公开号:CN 106909939A)中提出了一种结合旋转域极化零角特征的极化SAR地物分类方法。该方法提出的一种SAR图像分类方法包括:选择待分类的极化SAR图像进行相干斑滤波;基于滤波后的极化SAR图像提取出其中各像素点相应的极化特征参数;对极化特征参数进行归一化;选择训练样本和测试样本;利用训练样本训练SVM分类器;对测试样本进行分类处理得到分类结果。该方法虽然实现简单,对不同时相的极化SAR图像数据具有很好的鲁棒性。但是该方法的不足之处是:目前仍缺少对极化特征参数更优的选择准则,而且仅仅利用SAR图像的极化特征参数并不能对图像进行充分的表达,这会直接影响分类的最终结果。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于自步学习卷积神经网络的极化SAR地物分类方法,以提高分类目标的准确性。
本发明的技术方案是:利用卷积神经网络实现对全极化SAR原始数据进行更有效的表示,利用自步学习算法改进网络的训练过程,让网络先学习简单的样本再逐步学习复杂的样本,以提升网络的泛化能力,其实现步骤包括如下:
(1)利用polSARpro_v4.0软件对原始极化SAR数据进行处理,获得极化散射矩阵S和Pauli基下的伪彩色RGB图;
(2)对每个像素根据它的极化散射矩阵S、伪彩色图中的RGB值和邻域像素信息构成三维矩阵X,用所有像素的三维矩阵构成样本集,并在样本集中随机选取5%的样本作为训练样本,剩下的作为测试样本;
(3)构造由1个输入层、3个卷积层、1个全连接层和1个softmax输出层组成的卷积神经网络,该卷积层和全连接层的激活函数选择线性整流函数ReLU,且卷积层和全连接层用来学习样本的抽象特征,softmax输出层用来得到样本的分类结果;
(4)利用训练样本对卷积神经网络进行训练:
(4a)设迭代次数为100、学习率α为0.005、学习率的衰减率为0.999,自步学习参数λ初始化为1,将网络的权值矩阵W和网络的偏置向量b初始化为接近于0的随机数;
(4b)采用交替求解的方式优化网络的权值矩阵W、网络的偏置向量b和样本权重v,即每次固定一个参数来求解另外的参数;
(4c)更新学习参数λ的值,即λ=1.1×λ,进行下一次迭代,判断迭代次数是否等于设定的次数,若是,结束训练,否则,返回步骤(4b);
(5)把测试样本输入到训练好的卷积神经网络中,得到分类结果。
本发明与现有技术相比,具有以下优点:
1)减少噪声对分类的影响
本发明由于对每个像素进行取块构造三维的矩阵对其表示,使每个样本都包含了邻域信息再输入到网络中进行学习,减少了噪声对分类结果的影响。
2)提高同谱异物和同物异谱分类准确率
本发明由于采用卷积神经网络来学习对极化SAR原始数据的抽象表示,可以充分挖掘极化SAR原始数据中更抽象具有更强表征能力的特征,另外在对网络进行参数优化时利用自步学习算法可以加速网络的收敛提升网络的泛化能力,使得用本发明方法分类时,能够对散射信息相近的不同地物即同谱异物和散射信息差异明显的同一地物即同物异谱实现很好的分类,提高了同谱异物和同物异谱分类准确率。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真使用的极化SAR数据的Pauli基伪彩色RGB图;
图3是本发明仿真使用的极化SAR数据的真实地物标记图;
图4是用现有支持向量机SVM对图2的分类结果图;
图5是用现有基于监督Wishart分类方法对图2的分类结果图;
图6是用本发明对图2的分类结果图。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1.提取极化散射矩阵S和Pauli基下的伪彩色RGB图。
从网上下载荷兰弗莱福兰省Flevoland极化SAR原始数据,采用polSARpro_v4.0软件对原始数据进行变换,得到全极化SAR的极化散射矩阵S和Pauli基下伪彩色RGB图。
步骤2.构造样本集并选取训练样本和测试样本。
本步骤是对每个像素根据它的极化散射矩阵S、伪彩色图中的RGB值和邻域像素信息构成三维矩阵X,用所有像素的三维矩阵组成样本集,并在样本集中随机选取5%的样本作为训练样本,剩下的作为测试样本,其步骤如下:
(2a)通过如下极化散射矩阵S表示单个像素散射特性:
其中,H表示水平极化,V表示垂直极化,SHH表示水平发射水平接收的回波数据的散射强度,SVV表示垂直发射垂直接收的回波数据的散射强度,SHV表示水平发射垂直接收的回波数据的散射强度,SVH表示垂直发射水平接收的回波数据的散射强度;
(2b)从极化散射矩阵S和RGB图中提取每个像素特征向量x,其中特征向量x的具体形式如下:
x=[SHH,SHV,SVH,SVV,R,G,B],
其中,R、G、B分别代表伪彩色RGB图中红、绿、蓝三个颜色通道的强度值;
(2c)基于提取的特征向量x,以每个像素为中心进行取块,取块大小n×n,n=11,得到包含邻域信息的n×n×7的三维矩阵X,其中三维矩阵X的具体形式如下:
其中,x55为中心像素的特征向量,其余是邻域像素的特征向量;
(2d)用所有像素的三维矩阵组成样本集,根据极化SAR图像中地物种类的数目对样本集中的每类地物选取5%的样本作为训练样本,剩下的样本则作为测试样本。
步骤3.构造卷积神经网络。
构造由1个输入层、3个卷积层、1个全连接层和1个softmax输出层组成的6层卷积神经网络,该卷积层和全连接层的激活函数选择线性整流函数ReLU,每层的大小具体如下:
第1层为输入层,其大小等于输入三维矩阵的大小,即11×11×7;
第2层为第1个卷积层,卷积核大小为3×3×7,卷积核个数为10,卷积运算的步长为1;
第3层和第4层分别为第2个和第3个卷积层,它们的卷积核大小均为3×3×10,卷积核个数是10,卷积运算的步长为1;
第5层为全连接层,其节点个数为90;
第6层为softmax输出层,其节点个数等于全极化SAR数据中的地物类别个数。
步骤4.对卷积神经网络进行训练。
本发明根据自步学习算法引入样本权重v表示每个样本优化的难易程度,引入自步学习参数λ控制整个学习的进程,使网络先学习简单的样本再学习复杂的样本,以加速网络收敛提升网络的泛化能力。其步骤如下:
(4a)设迭代次数为100、学习率α为0.005、学习率的衰减率为0.999,自步学习参数λ初始化为1,将网络的权值矩阵W和网络的偏置向量b初始化为接近于0的随机数;
(4b)采用交替求解的方式优化网络的权值矩阵W、网络的偏置向量b和样本权重v,即每次固定一个参数来求解另外的参数:
(4b1)固定网络的权值矩阵W和网络的偏置向量b,将每个训练样本输入到网络中通过卷积层和全连接层得到它的特征表示,再通过softmax输出层得到最终的前向传递输出值t;
(4b2)选取交叉熵作为代价函数,按以下的公式对样本的权重v进行更新:
其中,Ji为根据交叉熵计算得到的第i个样本的训练误差,表示第i个样本在softmax输出层第j个节点上的输出值,c代表输出层的节点总数,yi为第i个样本的真实标签,1{yi=j}表示当满足yi=j时1{yi=j}=1;λ为自步学习参数,vi是第i个样本的权重;
(4b3)固定样本权重v,将所有样本在其权重分布下的训练误差J(W,b)表示为:
其中n表示训练样本的总数;
(4b4)采用反向传导算法和梯度下降算法对网络的权值矩阵W和网络的偏置向量b进行更新:
其中是第l层第j单元与第l+1层第i单元之间的联接参数,是第l+1层第i单元的偏置项,α为学习率;
(4b5)重复步骤(4b1)到步骤(4b4),当相邻两次迭代中代价函数J(W,b)的差值小于阈值0.01时停止迭代,得到网络的权值矩阵W、网络的偏置向量b和样本权重v;
(4c)更新学习参数λ的值,即λ=1.1×λ,进行下一次迭代,判断迭代次数是否等于设定的次数,若是,结束训练,否则,返回步骤(4b)。
步骤6.利用训练好的网络对测试样本进分类。
将训练样本依次输入到训练好的网络中得到网络输出值,即样本所属于每类的概率,将概率最大的类别作为该样本的分类结果;
在全部样本都完成分类的极化SAR图像上,用15种不同颜色来分别对分类结果中不同地物进行表示。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件
仿真在windows7旗舰版上进行,CPU基本频率为3.20GHz,利用polSARpro_v4.0软件获取极化散射矩阵S和Pauli分解得到如图2所示的伪彩图像,其大小为750×1024。
2.仿真内容
将图2所示的荷兰弗莱福兰省Flevoland极化SAR数据作为测试图像,依据图3的真实地物标记对每个类别随机选取5%的样本作为训练样本集,将剩下的样本作为测试样本集。
仿真一,用现有的支持向量机SVM分类方法对图2进行分类,分类结果如图4。
从图4中可以看出,虽然大部分地物能够被正确分类,但是分类结果中存在大量的噪声,而且在右上角区域存在很多的误分像素点。
仿真二,用现有的监督Wishart分类方法对图2进行分类,分类结果如图5。
从图5中可以看出,该分类结果同样在右上角区域存在大量的误分像素点。
仿真三,用本发明对图2进行分类,分类结果如图6。
从图6可以看出,本发明得到的分类结果只有更少的噪声点,且在两个对比算法都无法很好分类的右上角区域也取得了很好的分类结果。
将上述这三个仿真实验每类的分类正确率及总的分类准确率进行统计,结果如表1。
表1
地物类别 | SVM | Wishart | 本发明分类方法 |
Stembeans | 0.9719 | 0.9508 | 0.9842 |
Rapeseed | 0.7351 | 0.7484 | 0.9518 |
Bare soil | 0.9802 | 0.9920 | 0.9293 |
Potatoes | 0.9811 | 0.8775 | 0.9685 |
Beet | 0.9541 | 0.9513 | 0.9836 |
Wheat 2 | 0.7875 | 0.8272 | 0.8891 |
Peas | 0.9258 | 0.9628 | 0.9620 |
Wheat 3 | 0.9288 | 0.8864 | 0.9821 |
Lucerne | 0.9292 | 0.9293 | 0.9678 |
Barley | 0.9365 | 0.9526 | 0.9601 |
Wheat | 0.8128 | 0.8622 | 0.9443 |
Grasses | 0.8373 | 0.7246 | 0.9371 |
Forest | 0.7562 | 0.8791 | 0.9752 |
Water | 0.8213 | 0.5175 | 0.9974 |
Buliding | 0.8513 | 0.8340 | 0.9537 |
总的分类准确率 | 0.8708 | 0.8231 | 0.9624 |
由表1可见,本发明方法对每类地物均有很高的分类精度且在总体分类精度上达到了0.9624,在对比算法无法很好分类的Rapeseed、Wheat、Water等地物上也得到了很高的分类准确率。
Claims (6)
1.基于自步学习卷积神经网络的极化SAR地物分类方法,包括:
(1)利用polSARpro_v4.0软件对原始极化SAR数据进行处理,获得极化散射矩阵S和Pauli基下的伪彩色RGB图;
(2)对每个像素根据它的极化散射矩阵S、伪彩色图中的RGB值和邻域像素信息构成三维矩阵X,用所有像素的三维矩阵构成样本集,并在样本集中随机选取5%的样本作为训练样本,剩下的作为测试样本;
(3)构造由1个输入层、3个卷积层、1个全连接层和1个softmax输出层组成的卷积神经网络,该卷积层和全连接层的激活函数选择线性整流函数ReLU,且卷积层和全连接层用来学习样本的抽象特征,softmax输出层用来得到样本的分类结果;
(4)利用训练样本对卷积神经网络进行训练:
(4a)设迭代次数为100、学习率α为0.005、学习率的衰减率为0.999,自步学习参数λ初始化为1,将网络的权值矩阵W和网络的偏置向量b初始化为接近于0的随机数;
(4b)采用交替求解的方式优化网络的权值矩阵W、网络的偏置向量b和样本权重v,即每次固定一个参数来求解另外的参数;
(4c)更新学习参数λ的值,即λ=1.1×λ,进行下一次迭代,判断迭代次数是否等于设定的次数,若是,结束训练,否则,返回步骤(4b);
(5)把测试样本输入到训练好的卷积神经网络中,得到分类结果。
2.根据权利要求1所述的方法,其中步骤(1)中对原始极化SAR数据进行处理,是采用polSARpro_v4.0软件对原始数据变换得到极化SAR的极化散射矩阵S和Pauli基下的伪彩色RGB图。
3.根据权利要求1所述的方法,其中步骤(2)中对每个像素根据它的极化散射矩阵S、伪彩色图中的RGB值和邻域像素信息构成三维矩阵X,按如下步骤进行:
(2a)通过如下矩阵S表示单个像素的散射特性:
其中,H表示水平极化,V表示垂直极化,SHH表示水平发射水平接收的回波数据的散射强度,SVV表示垂直发射垂直接收的回波数据的散射强度,SHV表示水平发射垂直接收的回波数据的散射强度,SVH表示垂直发射水平接收的回波数据的散射强度;
(2b)从极化散射矩阵S和伪彩色RGB图中提取每个像素的特征向量x:
x=[SHH,SHV,SVH,SVV,R,G,B],
其中,R、G、B分别代表伪彩色RGB图中红、绿、蓝三个颜色通道的强度值;
(2c)基于提取的特征向量x,以每个像素为中心进行取块,取块大小为n×n,n=11,得到包含邻域信息且大小为n×n×7的三维矩阵X:
其中,x55为中心像素的特征向量,其余是邻域像素的特征向量。
4.根据权利要求1所述的方法,其中步骤(3)构成卷积神经网络的1个输入层、3个卷积层、1个全连接层和1个softmax输出层,是按顺序依次进行连接,形成前面层的输出值作为后面层输入值的6层结结构,每层的大小不同,即:
第1层为输入层,其大小等于输入三维矩阵的大小,即11×11×7;
第2层为第1个卷积层,卷积核大小为3×3×7,卷积核个数为10,卷积运算的步长为1;
第3层和第4层分别为第2个和第3个卷积层,它们的卷积核大小均为3×3×10,卷积核个数是10,卷积运算的步长为1;
第5层为全连接层,其节点个数为90;
第6层为softmax输出层,其节点个数等于全极化SAR数据中的地物类别个数。
5.根据权利要求1所述的方法,步骤(4b)中交替求解网络权值矩阵W、偏置向量b和样本权重v,按如下步骤进行:
(4b1)固定网络的权值矩阵W和网络的偏置向量b,将每个训练样本输入到网络中通过卷积层和全连接层得到它的特征表示,再通过softmax输出层得到最终的前向传递输出值t;
(4b2)选取交叉熵作为代价函数,按以下的公式对样本的权重v进行更新:
其中,Ji为根据交叉熵计算得到的第i个样本的训练误差,表示第i个样本在softmax输出层第j个节点上的输出值,c代表输出层的节点总数,yi为第i个样本的真实标签,1{yi=j}表示当满足yi=j时1{yi=j}=1;λ为自步学习参数,vi是第i个样本的权重;
(4b3)固定样本权重v,将所有样本在其权重分布下的训练误差J(W,b)表示为:
其中n表示训练样本的总数;
(4b4)采用反向传导算法和梯度下降算法对网络的权值矩阵W和网络的偏置向量b进行更新:
其中是第l层第j单元与第l+1层第i单元之间的联接参数,是第l+1层第i单元的偏置项,α为学习率;
(4b5)重复步骤(4b1)到步骤(4b4),当相邻两次迭代中代价函数J(W,b)的差值小于阈值0.01时停止迭代,得到网络的权值矩阵W、网络的偏置向量b和样本权重v。
6.根据权利要求1所述的方法,其中步骤(5)利用训练好的网络对测试样本进分类,是将训练样本依次输入到网络中得到网络输出值,即样本所属于每类的概率,将概率最大的类别作为该样本的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810254575.4A CN108564006B (zh) | 2018-03-26 | 2018-03-26 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810254575.4A CN108564006B (zh) | 2018-03-26 | 2018-03-26 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564006A true CN108564006A (zh) | 2018-09-21 |
CN108564006B CN108564006B (zh) | 2021-10-29 |
Family
ID=63533324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810254575.4A Active CN108564006B (zh) | 2018-03-26 | 2018-03-26 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564006B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN110211124A (zh) * | 2019-06-17 | 2019-09-06 | 电子科技大学 | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 |
CN110297241A (zh) * | 2019-07-09 | 2019-10-01 | 中国人民解放军国防科技大学 | 一种用于图像处理的上下文协方差矩阵构建方法 |
CN110321904A (zh) * | 2019-07-09 | 2019-10-11 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的单极化sar图像相干斑滤波方法 |
CN110516728A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于去噪卷积神经网络的极化sar地物分类方法 |
CN110555483A (zh) * | 2019-09-09 | 2019-12-10 | 西安电子科技大学 | 基于fw-dcgan特征生成的极化sar分类方法 |
CN111339924A (zh) * | 2020-02-25 | 2020-06-26 | 中国电子科技集团公司第五十四研究所 | 一种基于超像素和全卷积网络的极化sar图像分类方法 |
CN111428876A (zh) * | 2020-03-18 | 2020-07-17 | 广西师范大学 | 基于自步学习的混合空洞卷积神经网络的图像分类方法 |
CN112052754A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于自监督表征学习的极化sar影像地物分类方法 |
CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
CN112560966A (zh) * | 2020-12-18 | 2021-03-26 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
CN112651467A (zh) * | 2021-01-18 | 2021-04-13 | 第四范式(北京)技术有限公司 | 卷积神经网络的训练方法和系统以及预测方法和系统 |
CN112906300A (zh) * | 2021-02-09 | 2021-06-04 | 北京化工大学 | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 |
CN113240047A (zh) * | 2021-06-02 | 2021-08-10 | 西安电子科技大学 | 基于部件解析多尺度卷积神经网络的sar目标识别方法 |
CN113392871A (zh) * | 2021-04-06 | 2021-09-14 | 北京化工大学 | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 |
CN113486753A (zh) * | 2021-06-29 | 2021-10-08 | 北京蓬瑞宇兴科技有限公司 | 一种基于sar的无人机图像处理方法 |
CN114202674A (zh) * | 2021-12-15 | 2022-03-18 | 北京化工大学 | 一种基于散射机制用于简缩极化sar的交互cnn分类方法 |
CN114724030A (zh) * | 2022-04-06 | 2022-07-08 | 西安电子科技大学 | 基于对比学习的极化sar地物分类方法 |
US20220244354A1 (en) * | 2019-05-31 | 2022-08-04 | Nolimits Enterprises, Inc. | Artificial intelligence for the classification of signals for radar detectors |
CN114913368A (zh) * | 2022-04-28 | 2022-08-16 | 西安电子科技大学 | 基于自步双向对抗学习的融合遥感图像分类方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232349A1 (en) * | 2008-01-08 | 2009-09-17 | Robert Moses | High Volume Earth Observation Image Processing |
CN102446350A (zh) * | 2011-09-16 | 2012-05-09 | 西安电子科技大学 | 基于各向异性非局部均值的极化sar数据相干斑抑制方法 |
CN102637296A (zh) * | 2012-04-23 | 2012-08-15 | 中国民航大学 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
CN103020919A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于非局部Lee的极化SAR相干斑噪声抑制方法 |
CN103258207A (zh) * | 2013-05-08 | 2013-08-21 | 西安电子科技大学 | 基于散射功率和强度联合统计的极化sar图像分类方法 |
CN104463193A (zh) * | 2014-11-04 | 2015-03-25 | 西安电子科技大学 | 基于深度稀疏ica的极化sar图像分类方法 |
WO2015041295A1 (ja) * | 2013-09-18 | 2015-03-26 | 国立大学法人東京大学 | 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 |
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN107133649A (zh) * | 2017-05-09 | 2017-09-05 | 西安电子科技大学 | 基于点‑域距离的增量式极化sar地物分类方法 |
CN107169492A (zh) * | 2017-05-26 | 2017-09-15 | 西安电子科技大学 | 基于fcn‑crf主从网络的极化sar目标检测方法 |
CN107256414A (zh) * | 2017-06-27 | 2017-10-17 | 哈尔滨工业大学 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN107292317A (zh) * | 2017-06-26 | 2017-10-24 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
CN107368852A (zh) * | 2017-07-13 | 2017-11-21 | 西安电子科技大学 | 一种基于非下采样轮廓波dcgan的极化sar图像分类方法 |
CN107392140A (zh) * | 2017-07-19 | 2017-11-24 | 苏州闻捷传感技术有限公司 | 基于低秩稀疏分解和增量学习的极化sar地物分类方法 |
CN107491793A (zh) * | 2017-09-04 | 2017-12-19 | 西安电子科技大学 | 一种基于稀疏散射全卷积的极化sar图像分类方法 |
CN107507209A (zh) * | 2017-08-07 | 2017-12-22 | 西安理工大学 | 极化sar图像的素描图提取方法 |
CN107527023A (zh) * | 2017-08-07 | 2017-12-29 | 西安理工大学 | 基于超像素和主题模型的极化sar图像分类方法 |
CN107563420A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 基于散射能量和堆栈自编码的极化sar图像分类方法 |
CN107742133A (zh) * | 2017-11-08 | 2018-02-27 | 电子科技大学 | 一种用于极化sar图像的分类方法 |
CN107832798A (zh) * | 2017-11-20 | 2018-03-23 | 西安电子科技大学 | 基于nsct阶梯网模型的极化sar图像目标检测方法 |
-
2018
- 2018-03-26 CN CN201810254575.4A patent/CN108564006B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232349A1 (en) * | 2008-01-08 | 2009-09-17 | Robert Moses | High Volume Earth Observation Image Processing |
CN102446350A (zh) * | 2011-09-16 | 2012-05-09 | 西安电子科技大学 | 基于各向异性非局部均值的极化sar数据相干斑抑制方法 |
CN102637296A (zh) * | 2012-04-23 | 2012-08-15 | 中国民航大学 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
CN103020919A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于非局部Lee的极化SAR相干斑噪声抑制方法 |
CN103258207A (zh) * | 2013-05-08 | 2013-08-21 | 西安电子科技大学 | 基于散射功率和强度联合统计的极化sar图像分类方法 |
WO2015041295A1 (ja) * | 2013-09-18 | 2015-03-26 | 国立大学法人東京大学 | 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 |
CN104463193A (zh) * | 2014-11-04 | 2015-03-25 | 西安电子科技大学 | 基于深度稀疏ica的极化sar图像分类方法 |
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN107133649A (zh) * | 2017-05-09 | 2017-09-05 | 西安电子科技大学 | 基于点‑域距离的增量式极化sar地物分类方法 |
CN107169492A (zh) * | 2017-05-26 | 2017-09-15 | 西安电子科技大学 | 基于fcn‑crf主从网络的极化sar目标检测方法 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN107292317A (zh) * | 2017-06-26 | 2017-10-24 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
CN107256414A (zh) * | 2017-06-27 | 2017-10-17 | 哈尔滨工业大学 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
CN107368852A (zh) * | 2017-07-13 | 2017-11-21 | 西安电子科技大学 | 一种基于非下采样轮廓波dcgan的极化sar图像分类方法 |
CN107392140A (zh) * | 2017-07-19 | 2017-11-24 | 苏州闻捷传感技术有限公司 | 基于低秩稀疏分解和增量学习的极化sar地物分类方法 |
CN107507209A (zh) * | 2017-08-07 | 2017-12-22 | 西安理工大学 | 极化sar图像的素描图提取方法 |
CN107527023A (zh) * | 2017-08-07 | 2017-12-29 | 西安理工大学 | 基于超像素和主题模型的极化sar图像分类方法 |
CN107563420A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 基于散射能量和堆栈自编码的极化sar图像分类方法 |
CN107491793A (zh) * | 2017-09-04 | 2017-12-19 | 西安电子科技大学 | 一种基于稀疏散射全卷积的极化sar图像分类方法 |
CN107742133A (zh) * | 2017-11-08 | 2018-02-27 | 电子科技大学 | 一种用于极化sar图像的分类方法 |
CN107832798A (zh) * | 2017-11-20 | 2018-03-23 | 西安电子科技大学 | 基于nsct阶梯网模型的极化sar图像目标检测方法 |
Non-Patent Citations (2)
Title |
---|
PENG, W等: "A weighted joint sparse of three channels method for full POL-SAR data classification", 《IGARSS 2017 - 2017 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM IEEE》 * |
刘璐等: "采用联合域字典稀疏表示的极化SAR图像分类", 《华中科技大学学报(自然科学版)》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN109597043B (zh) * | 2018-11-16 | 2023-05-26 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
US20220244354A1 (en) * | 2019-05-31 | 2022-08-04 | Nolimits Enterprises, Inc. | Artificial intelligence for the classification of signals for radar detectors |
CN110211124A (zh) * | 2019-06-17 | 2019-09-06 | 电子科技大学 | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 |
CN110211124B (zh) * | 2019-06-17 | 2023-04-07 | 电子科技大学 | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 |
CN110321904A (zh) * | 2019-07-09 | 2019-10-11 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的单极化sar图像相干斑滤波方法 |
CN110297241A (zh) * | 2019-07-09 | 2019-10-01 | 中国人民解放军国防科技大学 | 一种用于图像处理的上下文协方差矩阵构建方法 |
CN110516728A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于去噪卷积神经网络的极化sar地物分类方法 |
CN110516728B (zh) * | 2019-08-20 | 2022-12-06 | 西安电子科技大学 | 基于去噪卷积神经网络的极化sar地物分类方法 |
CN110555483A (zh) * | 2019-09-09 | 2019-12-10 | 西安电子科技大学 | 基于fw-dcgan特征生成的极化sar分类方法 |
CN110555483B (zh) * | 2019-09-09 | 2022-12-02 | 西安电子科技大学 | 基于fw-dcgan特征生成的极化sar分类方法 |
CN111339924A (zh) * | 2020-02-25 | 2020-06-26 | 中国电子科技集团公司第五十四研究所 | 一种基于超像素和全卷积网络的极化sar图像分类方法 |
CN111339924B (zh) * | 2020-02-25 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种基于超像素和全卷积网络的极化sar图像分类方法 |
CN111428876A (zh) * | 2020-03-18 | 2020-07-17 | 广西师范大学 | 基于自步学习的混合空洞卷积神经网络的图像分类方法 |
CN112052754A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于自监督表征学习的极化sar影像地物分类方法 |
CN112052754B (zh) * | 2020-08-24 | 2023-05-05 | 西安电子科技大学 | 基于自监督表征学习的极化sar影像地物分类方法 |
CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
CN112560966B (zh) * | 2020-12-18 | 2023-09-15 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
CN112560966A (zh) * | 2020-12-18 | 2021-03-26 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
CN112651467A (zh) * | 2021-01-18 | 2021-04-13 | 第四范式(北京)技术有限公司 | 卷积神经网络的训练方法和系统以及预测方法和系统 |
CN112651467B (zh) * | 2021-01-18 | 2024-05-07 | 第四范式(北京)技术有限公司 | 卷积神经网络的训练方法和系统以及预测方法和系统 |
CN112906300B (zh) * | 2021-02-09 | 2023-11-21 | 北京化工大学 | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 |
CN112906300A (zh) * | 2021-02-09 | 2021-06-04 | 北京化工大学 | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 |
CN113392871A (zh) * | 2021-04-06 | 2021-09-14 | 北京化工大学 | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 |
CN113392871B (zh) * | 2021-04-06 | 2023-10-24 | 北京化工大学 | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 |
CN113240047B (zh) * | 2021-06-02 | 2022-12-02 | 西安电子科技大学 | 基于部件解析多尺度卷积神经网络的sar目标识别方法 |
CN113240047A (zh) * | 2021-06-02 | 2021-08-10 | 西安电子科技大学 | 基于部件解析多尺度卷积神经网络的sar目标识别方法 |
CN113486753A (zh) * | 2021-06-29 | 2021-10-08 | 北京蓬瑞宇兴科技有限公司 | 一种基于sar的无人机图像处理方法 |
CN114202674A (zh) * | 2021-12-15 | 2022-03-18 | 北京化工大学 | 一种基于散射机制用于简缩极化sar的交互cnn分类方法 |
CN114724030B (zh) * | 2022-04-06 | 2023-06-02 | 西安电子科技大学 | 基于对比学习的极化sar地物分类方法 |
CN114724030A (zh) * | 2022-04-06 | 2022-07-08 | 西安电子科技大学 | 基于对比学习的极化sar地物分类方法 |
CN114913368A (zh) * | 2022-04-28 | 2022-08-16 | 西安电子科技大学 | 基于自步双向对抗学习的融合遥感图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108564006B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564006A (zh) | 基于自步学习卷积神经网络的极化sar地物分类方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN106203523A (zh) | 基于梯度提升决策树半监督算法融合的高光谱图像分类 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN107944370B (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN107563428A (zh) | 基于生成对抗网络的极化sar图像分类方法 | |
CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN108460342A (zh) | 基于卷积网和循环神经网络的高光谱图像分类方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN104166856B (zh) | 基于近邻传播聚类与区域增长的极化sar图像分类方法 | |
CN108182450A (zh) | 一种基于深度卷积网络的机载探地雷达目标识别方法 | |
CN104463193B (zh) | 基于深度稀疏ica的极化sar图像分类方法 | |
CN103927551B (zh) | 基于超像素相关矩阵的极化sar图像半监督分类方法 | |
CN109344698A (zh) | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 | |
CN105938564A (zh) | 基于主成分分析和神经网络的水稻病害识别方法及系统 | |
CN103914704B (zh) | 一种基于半监督SVM和MeanShift的极化SAR图像分类方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN111695466A (zh) | 一种基于特征mixup的半监督极化SAR地物分类方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |